JPH0877485A - Predicting device for required travel time - Google Patents
Predicting device for required travel timeInfo
- Publication number
- JPH0877485A JPH0877485A JP21488994A JP21488994A JPH0877485A JP H0877485 A JPH0877485 A JP H0877485A JP 21488994 A JP21488994 A JP 21488994A JP 21488994 A JP21488994 A JP 21488994A JP H0877485 A JPH0877485 A JP H0877485A
- Authority
- JP
- Japan
- Prior art keywords
- section
- required time
- time
- learning
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は例えば高速道路等の自動
車専用道路に対する交通管制システムに係わり、特に、
特定の測定対象区間の走行所要時間を予測する走行所要
時間予測装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a traffic control system for a motorway such as a highway,
The present invention relates to a travel time prediction device that predicts a travel time of a specific measurement target section.
【０００２】[0002]
【従来の技術】都市部の高速道路では、交通量の増加に
起因する交通渋滞が頻繁に発生し、走行所要時間が大き
く変動する。この高速道路を走行中の運転手に、例えば
特定のインターチエンジ相互間や特定の都市相互間等の
予め設定された代表的な区間の所要時間の予測値をその
時々に応じて提供することは、利用者に対するサービス
向上とともに、高速道路を円滑に運用する上で重要なこ
とである。2. Description of the Related Art On an expressway in an urban area, traffic congestion frequently occurs due to an increase in traffic volume, and the required travel time greatly fluctuates. It is not possible to provide a driver who is traveling on this expressway with a predicted value of the required time of a representative section set in advance such as between specific inter-engines or between specific cities depending on the occasion. , It is important to improve the service to users and to operate the expressway smoothly.
【０００３】所要時間を求める一つの方法として、測定
対象区間の両端において走行車両の番号を画像認識し
て、この測定対象区間を実際に走行した各車両の実際の
所要時間を測定するＡＶＩシステムが実用化されてい
る。As one method for obtaining the required time, there is an AVI system for recognizing the numbers of traveling vehicles at both ends of the measurement target section and measuring the actual required time of each vehicle actually traveling in the measurement target section. It has been put to practical use.
【０００４】また、他の方法として、測定対象区間を例
えば数百メートル毎の複数の単位区間に分割して、各単
位区間に車両感知器を設置して、車両感知器で車速度を
測定する。そして、測定された速度から該当単位区間に
おける所要時間を算出する。そして、走行による時間の
経過を考慮して各単位区間の所要時間を合計して測定対
象区間の所要時間を算出するタイムスライス合計手法が
実用化されている。As another method, the section to be measured is divided into a plurality of unit sections, for example, every several hundred meters, a vehicle detector is installed in each unit section, and the vehicle speed is measured by the vehicle detector. . Then, the required time in the corresponding unit section is calculated from the measured speed. Then, a time slice summing method has been put into practical use in which the required time of each unit section is totaled in consideration of the passage of time due to traveling to calculate the required time of the measurement target section.
【０００５】なお、現在、高速道路において実際に各運
転者にラジオ等の無線手段にて提供されている所要時間
の予測値はこの手法で求めた値である。さらに、該当測
定対象区間に対して、実際の試験車両を走行させて所要
時間を測定する手法が考えられる。また、交通流の数式
モデルを構築することにより所要時間の予測値を正確に
計算する方法も提案されている。At present, the estimated value of the required time which is actually provided to each driver on a highway by radio means such as radio is the value obtained by this method. Further, a method is conceivable in which an actual test vehicle is run in the relevant measurement target section and the required time is measured. In addition, a method of accurately calculating the predicted value of the required time by constructing a mathematical model of traffic flow has also been proposed.
【０００６】[0006]
【発明が解決しようとする課題】しかしながら、上述し
た先の３つの方法は、いずれも、所要時間が得られるの
は走行車両が測定対象区間の終端に到達した時である。
したがって、実際に高速道路を走行している運転手にと
っては、この所要時間を何時間後に目的地に到達するか
の目安とすることができない。However, in all of the above three methods, the required time is obtained when the traveling vehicle reaches the end of the section to be measured.
Therefore, for a driver who is actually traveling on a highway, this required time cannot be used as a guide for how many hours the vehicle will reach the destination.
【０００７】すなわち、現在走行中の運転手に提供され
ている所要時間予測値は、上述したように、各単位区間
における所要時間を車速を用いて算出し、単純に総合計
したものである。したがって、各々の単位区間における
交通状況が時間経過してもあまり変化しない場合、例え
ば測定対象区間の全区間に亘って車両の流れが順調な場
合等には、所要時間を高精度で予測することが可能であ
る。That is, the required time estimated value provided to the driver who is currently traveling is, as described above, the required time in each unit section calculated using the vehicle speed and simply summed up. Therefore, if the traffic conditions in each unit section do not change much over time, for example, if the flow of vehicles is smooth over the entire section to be measured, predict the required time with high accuracy. Is possible.
【０００８】しかし、実際には、各単位区間の交通状況
は時間の経過と共に変動するために予測誤差が大きくな
る。特に朝夕のラッシュ時等、渋滞が発生したり解消し
たりする場合には、予測誤差は著しく大きくなる。However, in actuality, the traffic condition of each unit section changes with the passage of time, so that the prediction error becomes large. In particular, when a traffic jam occurs or is resolved, such as during a rush hour in the morning and evening, the prediction error becomes significantly large.
【０００９】次に、交通流の数式モデルを構築すること
により所要時間予測値を計算する手法においては、交通
流を高精度でモデル化することは非常に困難である。例
えば、道路における勾配，カーブ，車線数，インターチ
ェンジ数，又は高速道路に対する流入車両数，流出車両
数等の定量的に表現できものは比較的容易にモデル化が
可能であるが、渋滞発生時における運転手の心理状況等
の定性的な要因は容易にモデル化できない。Next, it is very difficult to model the traffic flow with high accuracy in the method of calculating the estimated time required by constructing a mathematical model of the traffic flow. For example, it is comparatively easy to model a road that can be quantitatively expressed, such as a slope, a curve, the number of lanes, the number of interchanges, or the number of inflowing vehicles and outflowing vehicles on a highway. Qualitative factors such as the driver's psychological situation cannot be easily modeled.
【００１０】また、たとえモデル化できたとしても、モ
デルの構築後にパラメータを決定する指針も明確ではな
い。また、これ等のパラメータは、経年変化や、車線の
増加等に応じて随時更新する必要がある。これらの理由
により、この交通流の数式モデル化手法においては、実
用に耐え得る予測精度が得られなかった。Even if a model can be created, the guideline for determining the parameters after the model is constructed is not clear. In addition, these parameters need to be updated at any time according to changes over time, increase in lanes, and the like. For these reasons, this mathematical modeling method of traffic flow could not obtain a prediction accuracy that could be practically used.
【００１１】本発明はこのような事情に鑑みてなされた
ものであり、混合構造形ニューラルネットワークを用い
ることによって、現在の交通状況のデータから現在以降
の状況を推測して、測定対象区間における所要時間を高
い精度で予測でき、かつ実績値に基づいて自動的に学習
でき、高い精度を維持管理するための手間がほとんど不
要であり、常に高い予測精度を維持できる走行所要時間
予測装置を提供することを目的とする。The present invention has been made in view of the above circumstances, and by using a mixed structure type neural network, the situation after the present is estimated from the data of the current traffic situation, and the required area in the measurement target section is estimated. Provide a travel time prediction device that can predict time with high accuracy, can automatically learn based on actual values, requires almost no labor for maintaining high accuracy, and can always maintain high prediction accuracy. The purpose is to
【００１２】[0012]
【課題を解決するための手段】上記課題を解消するため
に請求項１の発明は、自動車道路における予め設定され
た測定対象区間を自動車が走行するに要する所要時間を
予測する走行所要時間予測装置において、複数の単位区
間に分割された測定対象区間の各単位区間に配設され、
各単位区間の単位時間当たりの通過車両数及び通過車両
の速度を順次検出してオキュパンシとして出力する複数
の車両感知器と、各車両感知器から順次出力される各オ
キュパンシが入力され、測定対象区間に対する所要時間
予測値を順次出力する予測用混合構造形ニューラルネッ
トワークと、各車両感知器から順次出力される各オキュ
パンシを記憶保持するオキュパンシ保存手段と、オキュ
パンシ保存手段にて記憶保持された各オキュパンシが入
力され、測定対象区間に対する各学習用所要時間予測値
を出力する学習用混合構造形ニューラルネットワーク
と、測定対象区間の両端に設けられ、この測定対象区間
を走行する各車両毎の実際の走行所要時間を順次測定す
るＡＶＩシステムと、ＡＶＩシステムにて順次測定され
る各所要時間実績値を記憶保持する所要時間実績値保存
手段と、所要時間実績値保存手段にて記憶保持された各
所要時間実績値と学習用混合構造形ニューラルネットワ
ークから出力された各学習用所要時間予測値とを比較対
照して各混合構造形ニューラルネットワークの各重み係
数を修正する重み係数学習手段とを備えている。SUMMARY OF THE INVENTION In order to solve the above problems, the invention of claim 1 is a travel time prediction device for predicting a travel time required for a car to travel a preset measurement target section on a motorway. In, in each unit section of the measurement target section divided into a plurality of unit sections,
A plurality of vehicle detectors that sequentially detect the number of passing vehicles and the speed of passing vehicles per unit time in each unit section and output as occupancy, and each occupancy sequentially output from each vehicle detector are input, and the measurement target section Predicted mixed structure neural network that sequentially outputs the required time, occupancy storage means for storing and holding each occupancy sequentially output from each vehicle detector, each occupancy stored by the occupancy storage means A learning mixed-structure neural network that receives and outputs predicted values for each learning time for the measurement target section, and the actual running requirements for each vehicle that is installed at both ends of the measurement target section and that travels in this measurement target section. An AVI system that measures time sequentially and the actual value of each required time that is sequentially measured by the AVI system The required time actual value storage means which is stored and held is compared with each required time actual value which is stored and held by the required time actual value storage means and each learning required time predicted value output from the learning mixed structure neural network. In contrast, a weight coefficient learning means for correcting each weight coefficient of each mixed structure type neural network is provided.
【００１３】また。請求項２の発明においては、複数の
単位区間に分割された測定対象区間の各単位区間に配設
され、各単位区間の通過車両の速度を検出する複数の車
両感知器と、各車両感知器にて順次検出される各速度か
ら各区間所要時間を算出して出力する区間所要時間算出
手段と、区間所要時間算出手段から順次出力される各区
間所要時間が入力され、測定対象区間に対する所要時間
予測値を順次出力する予測用混合構造形ニューラルネッ
トワークと、区間所要時間算出手段から順次出力される
各区間所要時間を記憶保持する区間所要時間保存手段
と、区間所要時間保存手段にて記憶保持された各区間所
要時間が入力され、測定対象区間に対する各学習用所要
時間予測値を出力する学習用混合構造形ニューラルネッ
トワークと、測定対象区間の両端に設けられ、この測定
対象区間を走行する各車両毎の実際の走行所要時間を順
次測定するＡＶＩシステムと、ＡＶＩシステムにて順次
測定される各所要時間実績値を記憶保持する所要時間実
績値保存手段と、所要時間実績値保存手段にて記憶保持
された各所要時間実績値と学習用混合構造形ニューラル
ネットワークから出力された各学習用所要時間予測値と
を比較対照して各混合構造形ニューラルネットワークの
各重み係数を修正する重み係数学習手段とを備えてい
る。Also, In the invention of claim 2, a plurality of vehicle detectors, which are arranged in each unit section of the measurement target section divided into a plurality of unit sections, and detect the speed of a passing vehicle in each unit section; Section required time calculation means for calculating and outputting each section required time from each speed sequentially detected in, and each section required time sequentially output from the section required time calculation means are input, and the required time for the section to be measured A mixed structure neural network for prediction that sequentially outputs predicted values, a section required time storage unit that stores and stores each section required time sequentially output from the section required time calculation unit, and a section required time storage unit that stores and holds the section required time storage unit. The learning mixed structure neural network that inputs the required time for each section and outputs the predicted value for each learning time for the measurement target section, and is installed at both ends of the measurement target section. An AVI system that sequentially measures the actual travel time required for each vehicle that travels in the measurement target section, and a required time performance value storage unit that stores and retains the required time performance values that are sequentially measured by the AVI system. , Comparing and comparing each required time actual value stored and held by the required time actual value storage means with each learning required time predicted value output from the learning mixed structural neural network. And a weighting coefficient learning means for correcting each weighting coefficient.
【００１４】さらに、請求項３の発明の装置は、上述し
た請求項１の発明と請求項２の発明を組合わせたもので
ある。すなわち、予測用混合構造形ニューラルネットワ
ークは、区間所要時間算出手段から順次出力される各区
間所要時間及び各車両感知器から順次出力される各オキ
ュパンシを入力し、測定対象区間に対する所要時間予測
値を順次出力する。また、学習用混合構造形ニューラル
ネットワークは、区間所要時間保存手段にて記憶保持さ
れた各区間所要時間及びオキュパンシ保存手段にて記憶
保持された各オキュパンシを入力し、測定対象区間に対
する各学習用所要時間予測値を出力する。そして、所要
時間実績値保存手段にて記憶保持された各所要時間実績
値と学習用混合構造形ニューラルネットワークから出力
された各学習用所要時間予測値とを比較対照して各混合
構造形ニューラルネットワークの各重み係数を修正する
重み係数学習手段とを備えている。Furthermore, the apparatus of the invention of claim 3 is a combination of the invention of claim 1 and the invention of claim 2 described above. That is, the prediction mixed structural neural network inputs the time required for each section sequentially output from the time required calculating section and each occupancy sequentially output from each vehicle detector, and calculates the time estimated value for the section to be measured. Output sequentially. The learning mixed structural neural network inputs the required time for each section stored in the required section storage section and each occupancy stored in the occupancy storage section, and inputs each learning requirement for the section to be measured. Output the time prediction value. Then, each of the required time actual values stored and held by the required time actual value storage means and each learning required time predicted value output from the learning mixed structural type neural network are compared and compared, and each mixed structural type neural network is provided. And a weighting coefficient learning means for correcting each weighting coefficient.
【００１５】また、請求項４においては、上述した請求
項１乃至請求項３の各発明において、重み係数学習手段
にて得られる所要時間実績値と学習用所要時間予測値と
の間の誤差量が予め定められた許容値以下に低下すると
予測用混合構造形ニューラルネットワークから所要時間
予測値を外部へ出力することを許可する予測開始判断手
段を備えたものである。According to a fourth aspect of the present invention, in each of the first to third aspects of the invention, the amount of error between the required time actual value obtained by the weighting coefficient learning means and the learning required time predicted value. Is provided with a prediction start determining means for permitting the required time prediction value to be output from the prediction mixed structural neural network to the outside.
【００１６】また、請求項５においては、各混合構造形
ニューラルネットワークは、複数の入力層と複数の出力
層と複数の中間層とを有し、少なくとも任意の中間層の
出力データが自己又は他の中間層の入力データとして帰
還される形のニューラルネットワークを採用している。According to a fifth aspect of the present invention, each mixed structure neural network has a plurality of input layers, a plurality of output layers, and a plurality of intermediate layers, and at least output data of any intermediate layer is self or other. The neural network of the form that is fed back as the input data of the intermediate layer of is adopted.
【００１７】[0017]
【作用】このように構成された走行所要時間予測装置に
おいては、測定対象区間の両端にこの測定対象区間を走
行する各車両の実際の走行所要時間（所要時間実績値）
を測定するＡＶＩシステムが設けられている。さらに、
この測定対象区間は複数の単位区間に分割されており、
各単位区間にそれぞれ車両感知器が配設されている。各
車両感知器は、該当単位区間を通過する車両の単位時間
当りの通行車両数及び各車両の速度を検出してオキュパ
ンシとして出力する。In the travel time prediction device thus configured, the actual travel time (actual time actual value) of each vehicle traveling in the measurement target section at both ends of the measurement target section
An AVI system is provided for measuring further,
This measurement target section is divided into multiple unit sections,
A vehicle detector is provided in each unit section. Each vehicle detector detects the number of vehicles passing per unit time and the speed of each vehicle passing through the corresponding unit section, and outputs it as an occupancy.
【００１８】本発明においては、該当測定対照区間にお
ける所要時間を予測する手段として、混合構造形ニュー
ラネットワークを採用している。次に、この混合構造形
ニューラネットワークの特徴を説明する。In the present invention, a mixed structure type neural network is adopted as a means for predicting the required time in the relevant measurement control section. Next, the features of this mixed structure neural network will be described.
【００１９】従来のニューラルネットワークは、図９に
示すように、データの流れが入力層→中間層→出力層と
いうように一方向にのみ流れる階層形ニューラルネット
ワークである。したがって、このような構成の階層形ニ
ューラルネットワークは、瞬時，瞬時の入出力データ相
互間の写像関係を表しているに過ぎず、過去の入力デー
タが現在の出力データに影響を及ぼす事はない。As shown in FIG. 9, the conventional neural network is a hierarchical neural network in which a data flow flows in only one direction, such as an input layer → intermediate layer → output layer. Therefore, the hierarchical neural network having such a structure merely represents the mapping relationship between instantaneous and instantaneous input / output data, and past input data does not affect the present output data.
【００２０】しかしながら、道路の交通流のように時系
列的に変化する対象を取扱う場合においては、出力層か
ら出力される現在の出力データは入力層に入力されてい
る現在の入力データ以外にも、過去に入力された入力デ
ータに影響される。したがって、ニューラルネットワー
ク自身が時系列情報を認識できることが必要となる。However, when dealing with an object that changes in time series, such as a traffic flow on a road, the current output data output from the output layer is not limited to the current input data input to the input layer. , It is influenced by the input data input in the past. Therefore, the neural network itself needs to be able to recognize the time series information.
【００２１】よって、本発明では図３に示すような混合
構造形ニューラルネットワークを用いている。混合構造
形ニューラルネットワークでは、図９に示す従来の階層
形ニューラルネットワークの構造に加え、中間層の各素
子間が相互に結合されていることに特徴がある。すなわ
ち、ある中間層素子の１周期前の値が、自己又は他の中
間層素子の入力側に帰還されている。このことにより、
ニューラルネットワーク自身が経過時間に対する動特性
を有することになり、時系列的な変化の認識が可能とな
り、出力データは過去の入力データも考慮した値とな
る。Therefore, in the present invention, a mixed structure type neural network as shown in FIG. 3 is used. The mixed-structure neural network is characterized in that the elements of the intermediate layer are mutually connected in addition to the structure of the conventional hierarchical neural network shown in FIG. That is, the value of one intermediate layer element one cycle before is fed back to the input side of itself or another intermediate layer element. By this,
Since the neural network itself has dynamic characteristics with respect to the elapsed time, it becomes possible to recognize changes in time series, and the output data has a value that also takes into account past input data.
【００２２】また、一般に、ニューラルネットワークに
おいては、各入力層，各中間層，各出力層相互間を関連
づける各重み係数を学習によって最適値に制御して出力
データの精度を向上させる。重み係数を学習させる場合
には、ニューラルネットワークの出力データと入力デー
タに対する実績値とを比較対照して重み係数を補正する
のが一般的である。In general, in a neural network, the weighting factors that correlate each input layer, each intermediate layer, and each output layer are controlled to optimum values by learning to improve the accuracy of output data. When the weighting coefficient is learned, it is general to compare and compare the output data of the neural network and the actual value for the input data to correct the weighting coefficient.
【００２３】しかし、走行所要時間予測装置のように、
入力データ値と出力データ値とが時間的関係を有してい
る場合は、現在の実績値は過去の入力データ値に対応し
た値である。逆にいえば、現在の入力データ値に対する
実績値は一定時間経過した後でないと得られない。However, like the required travel time predicting device,
When the input data value and the output data value have a temporal relationship, the current actual value is a value corresponding to the past input data value. In other words, the actual value for the current input data value cannot be obtained until a certain time has elapsed.
【００２４】よって、この発明においては、予測用混合
構成形ニューラルネットワークに順次入力される入力デ
ータを一定期間記憶保持する保存手段及び予測用混合構
成形ニューラルネットワークと同一構成の学習用混合構
成形ニューラルネットワークとを設けている。また、Ａ
ＶＩシステムで順次測定される所要時間実績値を一定期
間記憶保持する所要時間実績値保存手段を設けている。Therefore, according to the present invention, the storage means for storing and holding the input data sequentially input to the prediction mixed composition neural network and the learning mixed composition neural network having the same structure as the prediction mixed composition neural network. It has a network. Also, A
A required time actual value storage means for storing and retaining the required time actual values sequentially measured by the VI system for a certain period is provided.
【００２５】この結果、学習用混合構成形ニューラルネ
ットワークから順次出力される所要時間予測値に対応す
る実績値として、所要時間実績値保存手段から順次出力
される所要時間実績値を用いることが可能である。As a result, the required time actual value sequentially output from the required time actual value storage means can be used as the actual value corresponding to the required time predicted value sequentially output from the learning mixed configuration neural network. is there.
【００２６】すなわち、学習用混合構成形ニューラルネ
ットワークから順次出力される所要時間予測値が所要時
間実績値保存部から順次出力される所要時間実績値に一
致するように各混合構成形ニューラルネットワークの重
み係数が修正されれはよい。That is, the weights of the respective mixed configuration type neural networks are set so that the predicted value of the required time sequentially output from the learning mixed configuration type neural network matches the required time actual value sequentially output from the required time actual value storage unit. The coefficients may be modified.
【００２７】本発明は上述した基本測定原理を有しいる
が、一般的に、ニューラルネットワークにおいては、ど
のような種類のデータを入力データとして採用するか
が、出力データの精度を大きく左右する。また、採用す
るデータ数が過度に多いと、演算処理時間が増大すると
ともに、装置自体が大型化する。よって、どの種類のデ
ータを採用するかは効率的に精度のよい出力データを得
るためには重要な項目である。Although the present invention has the above-described basic measurement principle, generally, in the neural network, the accuracy of the output data largely depends on what kind of data is adopted as the input data. Further, when the number of data adopted is excessively large, the calculation processing time increases and the size of the apparatus itself increases. Therefore, what kind of data is adopted is an important item for efficiently obtaining accurate output data.
【００２８】そこで、本発明の請求項１〜請求項３にお
いては、所要時間予測値を出力する予測用混合構成形ニ
ューラルネットワークに対する入力データとして、各単
位区間に配設された各車両感知器から得られる該当単位
区間に対する車両交通に関する各種データのうちうちど
のデータを採用するかを特定している。Therefore, according to the first to third aspects of the present invention, as input data to the prediction mixed constitutional neural network for outputting the required time prediction value, from each vehicle detector arranged in each unit section. It identifies which of the various data related to vehicle traffic for the relevant unit section to be obtained is to be used.
【００２９】すなわち、請求項１においては、各単位区
間の単位時間当たりの通過車両数及び通過車両の速度か
らなるオキュパンシが入力され、請求項２においては、
前記オキュパンシのうちの速度から得られる該当単位区
間を車両が通過する場合の所要時間が入力される。さら
に、請求項３においては、オキュパンシ及び所要時間が
入力される。That is, in claim 1, an occupancy consisting of the number of passing vehicles per unit time and the speed of passing vehicles in each unit section is input, and in claim 2,
The time required for the vehicle to pass through the relevant unit section obtained from the speed of the occupancy is input. Further, in claim 3, the occupancy and the required time are input.
【００３０】また、前述したように、ニューラルネット
ワークにおいては、十分学習されていない状態で出力さ
れた出力データの信頼性は低いので、請求項４に示すよ
うに、重み係数学習手段にて得られる所要時間実績値と
学習用所要時間予測値との間の誤差量が予め定められた
許容値以下に低下した時点で、予測用混合構造形ニュー
ラルネットワークから所要時間予測値が外部へ出力され
る。Further, as described above, in the neural network, since the reliability of the output data output in the state where the learning is not sufficiently performed is low, the weighting coefficient learning means can obtain it. When the amount of error between the required time actual value and the required time prediction value for learning falls below a predetermined allowable value, the estimated mixed structural neural network outputs the required time prediction value to the outside.
【００３１】[0031]
【実施例】以下本発明の一実施例を図面を用いて説明す
る。図２に示すように、高速道路で代表される自動車道
路上に、都市相互区間等の測定対照区間１が設定されて
いる。そして、この測定対照区間１の両端１ａ，１ｂ位
置には通過車両の車両番号等を読取る一対のカメラ２
ａ，２ｂが配設されている。各カメラ２ａ，２ｂで読取
られた各車両画像は画像処理装置２ｃへ入力される。こ
の画像処理部２ｃは各カメラ２ａ，２ｂで読取られた車
両画像から各車両の車両番号（登録番号）を読取って、
この測定対照区間１を通過した各車両の実際の所要時
間、すなわち各所要時間実績値Ｔａを算出する。よっ
て、この一対のカメラ２ａ，２ｂ及び画像処理装置２ｃ
はＡＶＩシステム２を構成する。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described below with reference to the drawings. As shown in FIG. 2, a measurement reference section 1 such as a city mutual section is set on a motorway represented by an expressway. A pair of cameras 2 for reading the vehicle number of a passing vehicle are provided at both ends 1a and 1b of the measurement reference section 1.
a and 2b are provided. The vehicle images read by the cameras 2a and 2b are input to the image processing device 2c. The image processing unit 2c reads the vehicle number (registration number) of each vehicle from the vehicle images read by the cameras 2a and 2b,
The actual required time of each vehicle that has passed through the measurement reference section 1, that is, the required time actual value Ta is calculated. Therefore, the pair of cameras 2a and 2b and the image processing device 2c
Constitutes the AVI system 2.
【００３２】また、測定対照区間１は例えばＮ個の単位
区間３に分割されており、各単位区間３は例えば１００
ｍ〜５００ｍの等しい距離ＬS を有している。各単位区
間３の開始位置に車両感知器４が配設されている。各車
両感知器４は、自己の単位区間３を通過する車両の単位
時間当りの通過車両数Ｎと各車両の速度Ｖをオキュパン
シＯｑとして出力する。なお、速度Ｖはそのときの平均
速度である。The measurement control section 1 is divided into, for example, N unit sections 3, and each unit section 3 has, for example, 100 units.
It has an equal distance L S of m to 500 m. A vehicle detector 4 is arranged at the start position of each unit section 3. Each vehicle detector 4 outputs, as an occupancy Oq, the number N of passing vehicles per unit time of vehicles passing through the unit section 3 and the speed V of each vehicle. The speed V is the average speed at that time.
【００３３】なお、ＡＶＩシステム２及び各車両感知器
４は、例えば１分等の規定周期ＴS経過する毎に、その
時刻における所要時間実績値Ｔａ及びオキュパンシＯｑ
を出力いる。It should be noted that the AVI system 2 and the vehicle detectors 4 each have a required time actual value Ta and an occupancy Oq at that time each time a prescribed period T S such as 1 minute elapses.
Is output.
【００３４】図１は、高速道路の交通管制システムに組
込まれた走行所要時間予測装置の概略構成を示すブロッ
ク図である。各単位区間３に配設された各車両感知器４
から規定周期ＴS で出力される各オキュパンシＯｑは予
測用混合構造形ニューラルネットワーク５へ入力される
とともにオキュパンシ保存部６へ入力される。FIG. 1 is a block diagram showing a schematic configuration of a travel time estimation device incorporated in a traffic control system for a highway. Each vehicle detector 4 arranged in each unit section 3
Each occupancy Oq output at a specified period T S from is input to the prediction mixed structure neural network 5 and the occupancy storage unit 6.
【００３５】予測用混合構造形ニューラルネットワーク
５は、例えば図３に示すように、ｍ個の入力素子７ａか
らなる入力層と、ｓ個の中間素子７ｂからなる中間層
と、ｎ個の出力素子７ｃからなる出力層ｓとで構成され
ている。そして、各入力素子７ａと各中間素子７ｂとは
重み係数ａikで接続され、各中間素子７ｂと各出力素子
７ｂとは重み係数ｃijで接続されている。さらに、特定
の中間素子７ｂの出力と自己又は他の中間素子７ｂの入
力とは別の重み係数ｂjrで接続されている。For example, as shown in FIG. 3, the prediction mixed structure neural network 5 includes an input layer composed of m input elements 7a, an intermediate layer composed of s intermediate elements 7b, and n output elements. And an output layer s composed of 7c. Each input element 7a and each intermediate element 7b are connected by a weighting coefficient aik, and each intermediate element 7b and each output element 7b are connected by a weighting coefficient cij. Further, the output of the specific intermediate element 7b and the input of the self or another intermediate element 7b are connected with different weighting factors bjr.
【００３６】予測用混合構造形ニューラルネットワーク
５の出力層の一つの出力素子７ｃから順次出力される前
記距離Ｌ0 を有する測定対象区間１を車両が走行する場
合における所要時間予測値Ｔｅは次の予測開始判断部８
を介して外部へ出力される。When the vehicle travels in the measurement target section 1 having the distance L 0, which is sequentially output from one output element 7c of the output layer of the prediction mixed structure neural network 5, the required time prediction value Te is as follows. Prediction start determination unit 8
Is output to the outside via.
【００３７】前記オキュパンシ保存部６は、車両感知器
４から規定周期ＴS で順次出力されるオキュパンシＯｑ
を一定時間記憶保持した後、このオキュパンシＯｑ1 を
次の学習用混合構造形ニューラルネットワーク９へ入力
させる。この学習用混合構造形ニューラルネットワーク
９は、前述した予測用混合構造形ニューラルネットワー
ク５と同一構成を有しており、入力層の各入力素子７ａ
に対して記憶保持された各オキュパンシＯｑ1 が入力さ
れる。そして、出力層の一つの出力素子７ａから学習用
所要時間予測値Ｔｇが順次出力される。順次出力される
学習用所要時間予測値Ｔｇは次の混合構造形ニューラル
ネットワーク学習部１０へ入力される。The occupancy storage unit 6 outputs the occupancy Oq sequentially output from the vehicle detector 4 at a specified cycle T S.
Is stored for a certain period of time, and this occupancy Oq1 is input to the next learning mixed-structure neural network 9. The learning mixed-structure neural network 9 has the same configuration as the predictive mixed-structure neural network 5 described above, and each input element 7a of the input layer
Each of the occupancy Oq1 stored and held for is input. Then, the learning required time prediction value Tg is sequentially output from one output element 7a of the output layer. The learning time prediction value Tg that is sequentially output is input to the next mixed structure type neural network learning unit 10.
【００３８】したがって、この学習用混合構造形ニュー
ラルネットワーク９から順次出力される学習用所要時間
予測値Ｔｇは、出力されるタイミングは異なるが、予測
用混合構造形ニューラルネットワーク５から出力される
所要時間予測値Ｔｅと同一値である。Therefore, the learning required time predicted value Tg sequentially output from the learning mixed structural neural network 9 has a different output timing, but the required time output from the predictive mixed structural neural network 5. It is the same value as the predicted value Te.
【００３９】また、ＡＶＩシスステム２から規定周期Ｔ
S で出力される所要時間実績値Ｔａは次の所要時間実績
値保持部１１へ入力される。所要時間実績値保持部１１
は所要時間実績値Ｔａを一定時間記憶保持した後、この
所要時間実績値Ｔａ1 を次の混合構造形ニューラルネッ
トワーク学習部１０へ入力する。From the AVI system 2, the specified period T
The required time actual value Ta output at S is input to the next required time actual value holding unit 11. Required time actual value holding unit 11
After storing the required time actual value Ta for a certain period of time, it inputs this required time actual value Ta1 to the next mixed structure type neural network learning unit 10.
【００４０】前記オキュパンシ保存部６及び所要時間実
績値保持部１１は、混合構造形ニューラルネットワーク
学習部１０へ入力される所要時間実績値Ｔａ1 と学習用
所要時間予測値Ｔｇとの対応を取るために設けられてい
る。The occupancy storage unit 6 and the required time actual value holding unit 11 are provided in order to establish correspondence between the required actual time value Ta1 input to the mixed structure type neural network learning unit 10 and the learning required time predicted value Tg. It is provided.
【００４１】混合構造形ニューラルネットワーク学習部
１０は所要時間実績値Ｔａ1 を教師データとして、この
所要時間実績値Ｔａ1 に学習用所要時間予測値Ｔｇが一
致するように、各混合構成形ニューラルネットワーク
５，９の各重み係数ａik，ｃij，ｂjrに対する各修正量
Δａpq，Δｃpq，Δｂpqを算出して重み係数更新部１２
へ送出する。重み係数更新部１２は入力さた各修正量Δ
ａpq，Δｃpq，Δｂpqを用いて前記各混合構成形ニュー
ラルネットワーク５，９の各重み係数ａik，ｃij，ｂjr
を修正する。The mixed structure type neural network learning unit 10 uses the required time actual value Ta1 as teacher data, and the mixed component type neural networks 5, 5 so that the learning required time predicted value Tg coincides with the required time actual value Ta1. The weighting coefficient updating unit 12 calculates the correction amounts Δapq, Δcpq, and Δbpq for the respective weighting coefficients aik, cij, and bjr in FIG.
Send to. The weighting factor updating unit 12 receives each correction amount Δ
Using apq, Δcpq, and Δbpq, the weighting factors aik, cij, and bjr of the mixed configuration neural networks 5 and 9 respectively.
To fix.
【００４２】さらに、混合構造形ニューラルネットワー
ク学習部１０は、学習用所要時間予測値Ｔｇの所要時間
実績値Ｔａ1 からの誤差量εＴｅを算出して予測開始判
定部８へ送出する。予測開始判定部８は、誤差量εＴｅ
が予め設定された許容値以下に低下すると、予測用混合
構造形ニューラルネットワーク５から規定周期Ｔ0 で順
次出力される所要時間予測値Ｔｅ1 を正規の予測値とし
て外部へ出力する。Further, the mixed structure type neural network learning unit 10 calculates an error amount εTe of the learning required time predicted value Tg from the required time actual value Ta1 and sends it to the prediction start determination unit 8. The prediction start determination unit 8 determines the error amount εTe
When the value becomes less than a preset allowable value, the required time prediction value Te1 sequentially output from the prediction mixed structural neural network 5 at the specified cycle T 0 is output to the outside as a normal prediction value.
【００４３】次に、予測用混合構造形ニューラルネット
ワーク５，学習用混合構造形ニューラルネットワーク
９，混合構成形ニューラルネットワーク学習部１０及び
重み係数更新部１２の具体的動作を式を用いて詳細に説
明する。Next, the concrete operations of the predictive mixed structure neural network 5, the learning mixed structure neural network 9, the mixed constituent neural network learning unit 10 and the weighting coefficient updating unit 12 will be described in detail using formulas. To do.
【００４４】先ず、図３に示す混合構造形ニューラルネ
ットワーク５，９において、各変数及び記号を下記のよ
うに定義する。 ｍ ：入力層の入力素子７ａの素子数 ｓ ：中間層の中間素子７ｂの素子数 ｎ ：出力層の出力素子７ｃの素子数 Ｕi(t) ：第ｉ入力素子７ａへの入力（ｉ＝１〜ｍ） Ｉi(t) ：第ｉ入力素子７ａからの出力（ｉ＝１〜
ｍ） ＮetＨj(t)：第ｊ中間素子７ｂへの入力（ｊ＝１〜ｓ） Ｈj(t) ：第ｊ中間素子７ｂからの出力（ｊ＝１〜
ｓ） ＮetＯi(t)：第ｉ出力素子７ｃへの入力（ｉ＝１〜ｎ） Ｘi(t) ：第ｉ出力素子７ｃからの出力（ｉ＝１〜
ｎ） ａjk ：第ｋ入力素子７ａ出力端から第ｊ中間素子
７ｂ入力端への重み係数 ｂjr ：第ｒ中間素子７ｂ出力端から第ｊ中間素子
７ｂ入力端への重み係数（リカレントループの結合重み
係数） ｃij ：第ｊ中間素子７ｂ出力端から第ｉ出力素子
７ｃ入力端への重み係数 ｆＨ（・）：中間層における入出力変換関数 ｆＯ（・）：出力層における入出力変換関数 図１の実施例装置においては、入力Ｕi(t)が各車両感知
器４からのオキュパンシＯｑに対応し、出力Ｘi(t)が所
要時間予測値Ｔｅに対応している。First, in the mixed structure type neural networks 5 and 9 shown in FIG. 3, each variable and symbol are defined as follows. m: Number of elements of the input element 7a of the input layer s: Number of elements of the intermediate element 7b of the intermediate layer n: Number of elements of the output element 7c of the output layer Ui (t): Input to the i-th input element 7a (i = 1 ~ M) Ii (t): output from the i-th input element 7a (i = 1 to 1)
m) NetHj (t): input to the j-th intermediate element 7b (j = 1 to s) Hj (t): output from the j-th intermediate element 7b (j = 1 to 1)
s) NetOi (t): input to the i-th output element 7c (i = 1 to n) Xi (t): output from the i-th output element 7c (i = 1 to 1)
n) ajk: Weighting coefficient from the kth input element 7a output end to the jth intermediate element 7b input end bjr: Weighting coefficient from the rth intermediate element 7b output end to the jth intermediate element 7b input end (coupling weight of recurrent loop) Coefficient) cij: weighting coefficient from the output end of the j-th intermediate element 7b to the input end of the i-th output element 7c fH (•): input / output conversion function in the intermediate layer fO (•): input / output conversion function in the output layer In the embodiment apparatus, the input Ui (t) corresponds to the occupancy Oq from each vehicle detector 4, and the output Xi (t) corresponds to the required time predicted value Te.
【００４５】このように各変数が定義された混合構造形
ニューラルネットワーク５，９において、入力層を構成
する各入力素子７ａは外部からの入力を受けて、(1) 式
により活性値（出力値）Ｉk(t)を決定する。In the mixed structure type neural networks 5 and 9 in which each variable is defined in this way, each input element 7a constituting the input layer receives an input from the outside, and the active value (output value) is calculated by the equation (1). ) Determine Ik (t).
【００４６】 Ｉk(t)＝Ｕk(t) （ｋ＝１〜ｍ） …(1) また、中間層を構成する各中間素子７ｂは、各入力素子
７ａからのデータとリカレント結合を通して入ってくる
１周期Ｔ0 前の中間素子７ｂからのデータとの総和を入
力ＮetＨj(t)として受け取り、新しい活性値（出力値）
Ｈj(t)を決定する。Ik (t) = Uk (t) (k = 1 to m) (1) In addition, each intermediate element 7b forming the intermediate layer enters through data and recurrent coupling from the input element 7a. The sum of the data from the intermediate element 7b one cycle before T 0 is received as an input NetHj (t), and a new active value (output value) is received.
Determine Hj (t).
【００４７】[0047]
【数１】 [Equation 1]
【００４８】但し、(3) 式におけるｆＨ（・）は中間素
子７ｂにおける入出力関数を表す。この入出力関数とし
ては、通常、シグモイド状（Ｓ字形）の関数が使用され
る。また、出力層を構成する各出力素子７ｃは、各中間
素子７ｂ出力の総和を入力ＮetＯi(t)として受け取り、
新しい活性値（出力値）Ｏi(t)を (4)(5) 式で決定し、
これを混合構造形ニューラルネットワーク５，９全体の
出力Ｘi(t)とする。However, fH (·) in the equation (3) represents an input / output function in the intermediate element 7b. As this input / output function, a sigmoid (S-shaped) function is usually used. Further, each output element 7c constituting the output layer receives the sum of the outputs of each intermediate element 7b as an input NetOi (t),
Determine the new activation value (output value) Oi (t) using the equations (4) and (5),
This is the output Xi (t) of the mixed structure type neural networks 5 and 9 as a whole.
【００４９】[0049]
【数２】 [Equation 2]
【００５０】但し、(5) 式におけるｆＯ（・）は出力素
子７ｃにおける入出力関数を表す。このように、各素子
を入力層，中間層，出力層に分解して、各層毎に同期的
に活性値（出力値）を決定することにより、ニューラル
ネットワーク全体の入出力関係は、(6) 式のように表す
ことができる。However, fO (·) in the equation (5) represents an input / output function in the output element 7c. In this way, by decomposing each element into the input layer, the intermediate layer, and the output layer, and determining the active value (output value) synchronously for each layer, the input / output relationship of the entire neural network is (6) It can be expressed as an expression.
【００５１】[0051]
【数３】 (Equation 3)
【００５２】実施例装置においては、この出力値Ｘi(t)
の一つが所要時間予測値Ｔｅ又は学習用所要時間予測値
Ｔｇとなる。重み係数更新部１２は、混合構造形ニュー
ラルネットワーク学習部１０から出力される前記混形構
造形ニューラルネットワーク５，９の重み係数ａpq，ｂ
jr，ｃpqに対する修正量Δａpq，Δｂjr，Δｃpqを用い
て、(7)(8)(9) 式により重み係数を更新する。In the apparatus of the embodiment, this output value Xi (t)
One of them becomes the required time predicted value Te or the learning required time predicted value Tg. The weighting factor updating unit 12 outputs the weighting factors apq, b of the mixed structure type neural networks 5 and 9 output from the mixed structure type neural network learning unit 10.
Using the correction amounts Δapq, Δbjr, and Δcpq for jr and cpq, the weighting coefficient is updated by the equations (7), (8), and (9).
【００５３】 ａpq(t+1) ＝ａpq(t) ＋Δａpq(t) …(7) ｂpq(t+1) ＝ｂpq(t) ＋Δｂpq(t) …(8) ｃpq(t+1) ＝ｃpq(t) ＋Δｃpq(t) …(9) さらに、混合構造形ニューラルネットワーク学習部１０
は、図４に示す流れ図に従って前述した各修正量Δａp
q，Δｂjr，Δｃpqを算出する。Apq (t + 1) = apq (t) + Δapq (t) (7) bpq (t + 1) = bpq (t) + Δbpq (t) (8) cpq (t + 1) = cpq ( t) + Δcpq (t) (9) Furthermore, the mixed structure type neural network learning unit 10
Is the correction amount Δap described above according to the flowchart shown in FIG.
Calculate q, Δbjr, and Δcpq.
【００５４】図４の流れ図を説明する前に、新たに下記
の各変数を定義する、 Ｅ ：誤差評価関数 Ｖi(t)：第ｉ出力素子７ｃからの出力に対する教師デー
タ（所要時間実績値Ｔａ1 ） Δａpq：重み係数ａpqの修正量 Δｂpq：重み係数ｂpqの修正量 Δｃpq：重み係数ｃpqの修正量 ε ：重み係数学習パラメータ α ：重み係数学習パラメータ δpj ：クロネッカのデルタ なお、教師データＶi(t)は上述したようにＡＶＩシステ
ム２からの所要時間実績値Ｔａ1 に対応している。そし
て、各重み係数の修正量Δａpq(t) ，Δｂpq(t) ，Δｃ
pq(t) は次式のように計算される。Before explaining the flowchart of FIG. 4, the following variables are newly defined: E: error evaluation function Vi (t): teacher data for output from the i-th output element 7c (required time actual value Ta1 ) Δapq: correction amount of weighting factor apq Δbpq: correction amount of weighting factor bpq Δcpq: correction amount of weighting factor cpq ε: weighting factor learning parameter α: weighting factor learning parameter δpj: Kronecker delta Note that the training data Vi (t) Corresponds to the required time actual value Ta1 from the AVI system 2 as described above. Then, the correction amounts Δapq (t), Δbpq (t), Δc of each weighting coefficient
pq (t) is calculated as follows.
【００５５】[0055]
【数４】 但し、式(10)(11)(12)におけるΔs ａpq(k) ，Δs ｂpq
(k) ，Δs ｃpq(k) は、ｋ番目のサンプルデータを用い
て(13)(14)(15)式を用いて計算する。[Equation 4] However, in equations (10), (11), and (12), Δ s apq (k) and Δ s bpq
(k) and Δ s cpq (k) are calculated using the equations (13), (14) and (15) using the kth sample data.
【００５６】[0056]
【数５】 (Equation 5)
【００５７】[0057]
【数６】 (Equation 6)
【００５８】[0058]
【数７】 (Equation 7)
【００５９】図４に示す学習処理の流れ図において、Ｐ
１にて、時刻ｔ＝０〜Ｔmax における教師データＶi(0)
〜Ｖi(Tmax) （所要時間実績値Ｔａ1 ）を所要時間実績
値保存部１１から取り込む。時刻ｔを０に初期設定する
（ｔ＝０）。In the flow chart of the learning process shown in FIG. 4, P
1, the teacher data Vi (0) at time t = 0 to Tmax
~ Vi (Tmax) (required time actual value Ta1) is fetched from the required time actual value storage unit 11. The time t is initialized to 0 (t = 0).
【００６０】次に、時刻ｔにおける教師データＶi(t)に
対する学習用混合構成形ニューラルネットワーク９から
のネットワーク出力Ｘi(t)の計算（特定）を行う（Ｐ
３）。誤差評価関数Ｅのネットワーク出力に関する勾配
を算出する（Ｐ４）。さらに、誤差評価関数Ｅの各重み
関数ａjk，ｂjr，ｃijに関する各勾配を(17)，(19)，(2
1)を用いて算出する（Ｐ５）。Ｐ６にて、時刻ｔを更新
する（ｔ＝ｔ＋１）。Next, calculation (identification) of the network output Xi (t) from the learning mixed configuration neural network 9 for the teacher data Vi (t) at time t is performed (P).
3). The gradient of the network output of the error evaluation function E is calculated (P4). Furthermore, the gradients associated with the weighting functions ajk, bjr, and cij of the error evaluation function E are (17), (19), and (2
It is calculated using 1) (P5). At P6, the time t is updated (t = t + 1).
【００６１】Ｐ７にて、時刻ｔが学習データのサンプル
数で定まる最大時刻Ｔmax に達していないことを確認す
ると、Ｐ３へ戻り、再度、教師データＶi(t)に対するネ
ットワーク出力Ｘi(t)の計算を行う。When it is confirmed in P7 that the time t has not reached the maximum time Tmax determined by the number of samples of the learning data, the process returns to P3 and the network output Xi (t) for the teacher data Vi (t) is calculated again. I do.
【００６２】Ｐ７にて、時刻ｔが最大時刻Ｔmax に達す
ると、Ｐ８へ進み、各重み関数ａjk，ｂjr，ｃijに対す
る修正量Δａjk，Δｂjr，Δｃijを(10)(11)(12)式で算
出する。そして、この修正量Δａjk，Δｂjr，Δｃijに
基づいて(7)(8)(9) 式を用いて各混合構成形ニューラル
ネットワーク５，９の各重み関数ａjk，ｂjr，ｃijを更
新（修正）する。In P7, when the time t reaches the maximum time Tmax, the process proceeds to P8, and the correction amounts Δajk, Δbjr, Δcij for the weighting functions ajk, bjr, cij are calculated by the equations (10), (11) and (12). To do. Then, based on the correction amounts Δajk, Δbjr, and Δcij, the weighting functions ajk, bjr, and cij of the mixed configuration neural networks 5 and 9 are updated (corrected) using the equations (7), (8), and (9). .
【００６３】次に、各重み関数ａjk，ｂjr，ｃijの修正
タイミングを図５に示すタイムチャを用いて説明する。
重み係数の更新周期は、例えば１［ｈ（時間）］とす
る。図５の時刻（１）にて重み係数の更新後、学習を開
始し、時刻（２）にて重み係数を更新する。その際に用
いる学習用データは、図５に示すように、時刻（１）よ
り２［ｈ（時間）］前から６［ｈ（時間）］前までの４
時間分とする。Next, the correction timing of each weighting function ajk, bjr, cij will be described using the time chart shown in FIG.
The update cycle of the weighting factor is, for example, 1 [h (time)]. After updating the weighting factor at time (1) in FIG. 5, learning is started, and the weighting factor is updated at time (2). As shown in FIG. 5, the learning data used at that time is 4 [from 2 [h (hour)] to 6 [h (hour)] before time (1).
Time and minutes.
【００６４】これは、ＡＶＩシステム２により得られる
最新の所要時間実績値Ｔａが、２［ｈ］前に測定対象区
間１の開始端１ａをスタートした車両の所要時間に対応
するからである。This is because the latest required time actual value Ta obtained by the AVI system 2 corresponds to the required time of the vehicle that started the starting end 1a of the section 1 to be measured 2 [h] ago.
【００６５】また、学習用データの長さ（図４における
Ｔmax に相当する）は４［ｈ（時間）］分としている。
なお、重み係数が更新された直後の予測演算では、係数
更新前の中間層の各中間素子７ｂの出力が意味を持たな
くなるため、中間層出力をゼロクリアし、例えば１［ｈ
（時間）］程度前の予測演算からやり直すことにより現
時点での予測値を計算する。それ以外の場合には、前回
の中間層出力をそのまま用いれば良い。The length of the learning data (corresponding to Tmax in FIG. 4) is 4 [h (hours)] minutes.
In the prediction calculation immediately after the weight coefficient is updated, the output of each intermediate element 7b in the intermediate layer before the coefficient update has no meaning, so the output of the intermediate layer is cleared to zero, for example, 1 [h
(Time)] The predicted value at the present time is calculated by starting over from the previous prediction calculation. In other cases, the previous intermediate layer output may be used as it is.
【００６６】以上説明したように動作する図１に示す走
行所要時間予測装置においては以下に示す各特徴を有す
る。 （１） 所要時間予測値Ｔｅを得るために、混合構造形
ニューラルネットワーク５を用いている。よって、ネッ
トワーク自身が時系列的な変化を認識できるため、特に
渋滞の発生・解消時における所要時間の予測精度が向上
する。The traveling time predicting apparatus shown in FIG. 1 which operates as described above has the following features. (1) The mixed structure type neural network 5 is used to obtain the required time prediction value Te. Therefore, since the network itself can recognize the time-series changes, the accuracy of the prediction of the required time is improved especially when the congestion is generated or eliminated.
【００６７】図６は、予め定められた測定対象区間１を
車両が通過する場合におけるＡＶＩシステム２で測定し
た実際の所要時間（所要時間実績値）Ｔａと、実施例装
置で予測された所要時間予測値Ｔｅと、従来のタイムス
ライス方式の単純起算による所要時間予測値Ｔｉとの比
較を示す図である。FIG. 6 shows the actual required time (actual time actual value) Ta measured by the AVI system 2 when the vehicle passes through the predetermined measurement target section 1 and the required time predicted by the embodiment apparatus. It is a figure which shows the comparison of the prediction value Te and the required time prediction value Ti by the simple start of the conventional time slice system.
【００６８】従来装置においては、午前と午後のラッシ
ュ時間帯に所要時間実績値Ｔａに対して大きく掛け離れ
た所要時間予測値Ｔｉが生じるのに対して、実施例装置
においては、所要時間予測値Ｔｅは所要時間実績値Ｔａ
とほぼ近似して、従来の予測装置に比較して、格段に予
測精度が向上していることが理解できる。In the conventional apparatus, the required time predicted value Ti, which is largely different from the required time actual value Ta, is generated in the morning and afternoon rush hours, whereas in the example apparatus, the required time predicted value Te is obtained. Is the actual time required value Ta
It can be understood that the prediction accuracy is remarkably improved as compared with the conventional prediction device.
【００６９】（２） また、従来用いられていた交通流
の数式モデルの代りに混合構造形ニューラルネットワー
ク５，９を用いることにより、モデル構築やパラメータ
決定等の困難な作業が不要となる。(2) Further, by using the mixed structure type neural networks 5 and 9 in place of the mathematical model of the traffic flow which has been conventionally used, it becomes unnecessary to perform the difficult work such as model construction and parameter determination.
【００７０】（３） 実際の計測データ（所要時間実績
値Ｔａ）を用いてニューラルネットワーク５，８の学習
を逐次行っているため、路線や経済状態等の経年変化に
対応し、継続的にモデル精度の向上を図ることができ
る。すなわち、常時高い予測精度を確保できる。(3) Since the neural networks 5 and 8 are successively learned by using the actual measurement data (required time actual value Ta), the model can be continuously modeled in response to secular changes such as routes and economic conditions. The accuracy can be improved. That is, high prediction accuracy can always be secured.
【００７１】（４） 予測開始判断部８を設け、教師デ
ータ（所要時間実績値Ｔａ）と算出された所要時間予測
値Ｔｇ（Ｔｅ）との誤差が許容値以下に低下すると、こ
の所要時間予測値Ｔｅを正しい予測値として外部に出力
している。よって、この走行所要時間予測装置の信頼性
をより一層向上できる。(4) The prediction start determination unit 8 is provided, and when the error between the teacher data (the required time actual value Ta) and the calculated required time predicted value Tg (Te) falls below the allowable value, the required time prediction is performed. The value Te is output to the outside as a correct predicted value. Therefore, the reliability of the required travel time predicting device can be further improved.
【００７２】（５） 混合構造形ニューラルネットワー
クにおける中間層の入力に中間層の出力をフィードバッ
クすることにより、ネットワークの負荷を低減できる。
これは、出力フィードバックがない場合には、ネットワ
ークは所要時間そのものを計算する必要があるのに対
し、出力フィードバックがある場合には、フィードバッ
クを除いた部分では前回出力値に対する偏差を計算すれ
ばよいからである。また、シミュレーションによる結果
では、出力フィードバックにより学習初期段階において
誤差の減少速度が大きくなる効果が確認されている。(5) By feeding back the output of the intermediate layer to the input of the intermediate layer in the mixed structure type neural network, the load on the network can be reduced.
This is because when there is no output feedback, the network needs to calculate the required time itself, but when there is output feedback, the deviation from the previous output value may be calculated in the part excluding the feedback. Because. In addition, the result of the simulation confirms that the output feedback increases the error reduction rate at the initial learning stage.
【００７３】図７は本発明の他の実施例に係わる走行所
要時間予測装置の概略構成を示すブロック図である。図
１に示す実施例装置と同一部分には同一符号が付してあ
る。よって、重複する部分の詳細説明は省略されてい
る。FIG. 7 is a block diagram showing a schematic structure of a travel time estimation device according to another embodiment of the present invention. The same parts as those of the embodiment shown in FIG. 1 are designated by the same reference numerals. Therefore, detailed description of the overlapping portions is omitted.
【００７４】この実施例装置においては、車両感知器４
には区間所要時間算出部１３が接続されている。この区
間所要時間算出部１３は車両感知器４が検出する該当単
位区間３を通過する車両の平均速度Ｖ及び該当単位区間
３の区間長ＬS より、各車両絵が該当単位区間３を通過
する所要時間Ｔb を算出する。In this embodiment, the vehicle detector 4
A section required time calculation unit 13 is connected to. The section required time calculating unit 13 causes each vehicle picture to pass through the corresponding unit section 3 based on the average speed V of the vehicle passing through the corresponding unit section 3 detected by the vehicle detector 4 and the section length L S of the corresponding unit section 3. The required time Tb is calculated.
【００７５】この区間所要時間算出部１３から規定周期
ＴS で出力される各所要時間Ｔb は予測用混合構造形ニ
ューラルネットワーク５の入力層の各入力素子７ａへ入
力される。しかして、この予測用混合構造形ニューラル
ネットワーク５は順次入力される各所要時間Ｔb に基づ
いて所要時間予測値Ｔｅを順次出力する。The required times Tb output from the section required time calculating section 13 at the specified period T S are input to the input elements 7a of the input layer of the prediction mixed structural neural network 5. Then, the prediction mixed structure neural network 5 sequentially outputs the required time prediction value Te based on the required times Tb that are sequentially input.
【００７６】また、区間所要時間算出部１３から規定周
期ＴS で出力される各所要時間Ｔbは区間所要時間保存
部１４にて一定時間記憶保持された後、学習用混合構成
形ニューラルネットワーク９へ入力される。この学習用
混合構成形ニューラルネットワーク９は入力される各所
要時間Ｔb1に基づいて学習用所要時間予測値Ｔｇを次の
混合構成形ニューラルネットワーク学習部１０へ送出す
る。Further, each required time Tb output from the required section time calculating unit 13 at the specified cycle T S is stored and held in the required section time storing unit 14 for a certain period of time, and then is input to the learning mixed configuration neural network 9. Is entered. The learning mixed-configuration neural network 9 sends a learning required-time predicted value Tg to the next mixed-configuration neural network learning unit 10 based on each input required time Tb1.
【００７７】このように構成された走行所要時間予測装
置においても、予測用混合構造形ニューラルネットワー
ク５は正常に所要時間予測値Ｔｅを出力し、各混合構造
形ニューラルネットワーク５，９の各重み係数は混合構
成形ニューラルネットワーク学習部１０及び重み係数更
新部１２にて最適値に更新される。したがって、図１に
示した実施例装置とほぼ同様の効果を得ることかでき
る。In the travel time prediction device thus configured, the prediction mixed structure neural network 5 outputs the predicted time Te normally, and the weighting factors of the respective mixed structure neural networks 5 and 9 are calculated. Is updated to an optimum value by the mixed configuration type neural network learning unit 10 and the weighting factor updating unit 12. Therefore, it is possible to obtain substantially the same effect as that of the apparatus of the embodiment shown in FIG.
【００７８】図８は本発明のさらに別の実施例に係わる
走行所要時間予測装置の概略構成を示すブロック図であ
る。図１及び図７にに示す実施例装置と同一部分には同
一符号が付してある。よって、重複する部分の詳細説明
は省略されている。FIG. 8 is a block diagram showing a schematic structure of a travel time estimation device according to still another embodiment of the present invention. The same parts as those of the embodiment apparatus shown in FIGS. 1 and 7 are designated by the same reference numerals. Therefore, detailed description of the overlapping portions is omitted.
【００７９】この実施例装置においては、図１に示した
実施例装置に図７に示した実施例装置における区間所要
時間算出部１３及び区間所要時間保存部１４か付加され
ている。In this embodiment, the section required time calculation unit 13 and the section required time storage unit 14 in the embodiment apparatus shown in FIG. 7 are added to the embodiment apparatus shown in FIG.
【００８０】すなわち、車両感知器４から出力されるオ
キュパンシＯｑは直接予測用混合構成形ニューラルネッ
トワーク５ａに入力されると共に、オキュパンシ保存部
６を介して学習用混合構成形ニューラルネットワーク９
ａへ入力される。That is, the occupancy Oq output from the vehicle detector 4 is directly input to the prediction mixed configuration neural network 5a, and the learning mixed configuration neural network 9 via the occupancy storage unit 6.
a.
【００８１】さらに、車両感知器４から出力されるオキ
ュパンシＯｑの速度Ｖは区間所要時間算出部１３へ入力
される。区間所要時間算出部１３は、速度Ｖを該当単位
区間の区間所要時間Ｔｂへ変換して、前記予測用混合構
成形ニューラルネットワーク５ａへ送出するとともに、
区間所要時間保持部１４を介して学習用混合構成形ニュ
ーラルネットワーク９ａへ送出する。Further, the speed V of the occupancy Oq output from the vehicle detector 4 is input to the section required time calculating unit 13. The section required time calculating unit 13 converts the speed V into the section required time Tb of the corresponding unit section and sends it to the prediction mixed configuration neural network 5a, and
It is sent to the learning mixed configuration neural network 9a via the section required time holding unit 14.
【００８２】予測用混合構成形ニューラルネットワーク
５ａの入力層の各入力素子７ａには前記各オキュパンシ
Ｏｑ又は区間所要時間Ｔｂが入力される。そして、この
予測用混合構成形ニューラルネットワーク５ａは、オキ
ュパンシＯｑと区間所要時間Ｔｂとの２種類の入力デー
タに基づいて出力層の一つの出力素子７ｃから一つの所
要時間予測値Ｔｅを出力する。The occupancy Oq or the section required time Tb is input to each input element 7a of the input layer of the prediction mixed configuration neural network 5a. Then, the prediction mixed configuration neural network 5a outputs one required time predicted value Te from one output element 7c of the output layer based on the two types of input data of the occupancy Oq and the section required time Tb.
【００８３】この予測用混合構成形ニューラルネットワ
ーク５ａと同一構成の学習用混合構成形ニューラルネッ
トワーク９ａにおいても、２種類の入力データに基づい
て一つの学習用所要時間予測値Ｔｇを出力する。The learning mixed-configuration neural network 9a having the same configuration as the prediction mixed-configuration neural network 5a also outputs one learning required time prediction value Tg based on two types of input data.
【００８４】また、混合構成形ニューラルネットワーク
学習部１０は先の実施例装置と同様に、教師データ（所
要時間実績値Ｔａ1 ）と学習用所要時間予測値Ｔｇに基
づいて各混合構成形ニューラルネットワーク５ａ，９ａ
の重み係数を修正する。Further, the mixed configuration type neural network learning section 10 is similar to the apparatus of the previous embodiment, and each mixed configuration type neural network 5a is based on the teacher data (required time actual value Ta1) and the learning required time predicted value Tg. , 9a
Modify the weighting factor of.
【００８５】よって、前述した図１及び図７の実施例装
置とほぼ同様の効果を得ることができる。また、図１及
び図７の実施例装置に比較して、所要時間を予測する予
測用混合構造形ニューラルネツトワーク５ａ，９ａに対
する入力データの種類数を増加しているので、それぞれ
を個別に入力とした場合の中間的な予測が可能になる。
オキュパンシＯｑを入力とした場合と区間所要時間Ｔｂ
を入力とした場合では、対象路線の形状や位置、あるい
は時間帯等に応じて予測精度の優劣が異なるため、その
双方を用いることにより、予測誤差のばらつきを小さく
することができる。Therefore, it is possible to obtain substantially the same effects as those of the apparatus of the embodiment shown in FIGS. 1 and 7. Further, as compared with the apparatus of the embodiment shown in FIGS. 1 and 7, the number of types of input data for the prediction mixed structure type neural networks 5a and 9a for predicting the required time is increased, so that each of them is individually input. In that case, an intermediate prediction is possible.
When the occupancy Oq is input and the section required time Tb
In the case of inputting, since the superiority or inferiority of the prediction accuracy differs depending on the shape and position of the target route, the time zone, etc., it is possible to reduce the variation in the prediction error by using both of them.
【００８６】[0086]
【発明の効果】以上説明したように本発明の走行所要時
間予測装置においては以下の効果を奏することができ
る。 （１） 所要時間を予測するニューラルネットワークと
して、階層形ニューラルネットワークではなく、混合構
造形ニューラルネットワークを用いている。よって、ネ
ットワーク自身が時系列データを認識できる効果があ
り、道路交通における所要時間予測のように現在時点の
状況のみならず過去の時点の状況も関係する時系列変化
を伴う予測を高精度で行うことができる。As described above, the travel time prediction device of the present invention has the following effects. (1) As the neural network for predicting the required time, a mixed structure type neural network is used instead of the hierarchical type neural network. Therefore, there is an effect that the network itself can recognize time-series data, and high-precision prediction is performed with time-series changes related to not only the current time situation but also the past time situation, such as the time required for road traffic prediction. be able to.
【００８７】（２） ニューラルネットワークの各重み
係数を学習機能でもって自動的に修正可能としている。
したがって、従来装置で採用したモデル構築やパラメー
タ設定が不要になり、路線や経済状態の経年変化にも対
応でき、常に高い予測精度を維持できる、 （３） 混合構造形ニューラルネットワークの入力とし
てオキュパンシを用いることにより、少ない入力数で多
くの情報量を与えることが可能となる。よって、混合構
造形ニューラルネットワークの構成を簡素化でき、計算
時間を短縮できる。これは、オキュパンシが交通量／車
速に比例しており、両者の変化に対応するからである。(2) Each weighting coefficient of the neural network can be automatically corrected by the learning function.
Therefore, the model construction and parameter setting adopted in the conventional device are not required, and it is possible to cope with the secular change of routes and economic conditions and always maintain high prediction accuracy. (3) Occupancy as an input of the mixed structure type neural network By using it, it becomes possible to give a large amount of information with a small number of inputs. Therefore, the structure of the mixed structure type neural network can be simplified and the calculation time can be shortened. This is because the occupancy is proportional to the traffic volume / vehicle speed and corresponds to changes in both.
【００８８】（４） 混合構造形ニューラルネットワー
クの入力として各単位区間の区間所要時間を用いること
により、各単位区間の長さによる重み付けが可能とな
る。これは、区間所要時間が区間長／車速により計算さ
れるからである。 （５） 混合構造形ニューラルネットワークの入力とし
てオキュパンシ及び区間所要時間を用いている。その結
果、より緻密な所要時間予測が可能である。(4) By using the section required time of each unit section as an input of the mixed structure type neural network, weighting by the length of each unit section becomes possible. This is because the required section time is calculated by the section length / vehicle speed. (5) The occupancy and the required section time are used as inputs to the mixed structure neural network. As a result, it is possible to more accurately predict the required time.
【図１】 本発明の一実施例に係わる走行所要時間予測
装置の概略構成を示すブロック図FIG. 1 is a block diagram showing a schematic configuration of a travel time prediction device according to an embodiment of the present invention.
【図２】 同実施例装置が適用された自動車道路の概念
図FIG. 2 is a conceptual diagram of an automobile road to which the device of the embodiment is applied.
【図３】 同実施例装置に組込まれた混合構造形ニュー
ラルネットワークの一般的な構成図FIG. 3 is a general configuration diagram of a mixed structure type neural network incorporated in the apparatus of the embodiment.
【図４】 同実施例装置における混合構造形ニューラル
ネットワークの各重み係数を修正する学習処理を示す流
れ図FIG. 4 is a flowchart showing a learning process for correcting each weighting coefficient of the mixed structure type neural network in the apparatus of the embodiment.
【図５】 同実施例装置における重み係数更新のタイム
チャートFIG. 5 is a time chart of updating a weighting coefficient in the apparatus of the embodiment.
【図６】 同実施例装置で得られた予測値と実績値と従
来装置の予測値との対比図FIG. 6 is a comparison diagram of the predicted value and the actual value obtained by the apparatus of the embodiment and the predicted value of the conventional apparatus.
【図７】 本発明の他の実施例に係わる走行所要時間予
測装置の概略構成を示すブロック図FIG. 7 is a block diagram showing a schematic configuration of a travel time prediction device according to another embodiment of the present invention.
【図８】 本発明のさらに別の実施例に係わる走行所要
時間予測装置の概略構成を示すブロック図FIG. 8 is a block diagram showing a schematic configuration of a travel time prediction device according to still another embodiment of the present invention.
【図９】 階層形ニューニラルネットワークの一般的な
構成図FIG. 9 is a general configuration diagram of a hierarchical new neural network.
１…測定対象区間、２…ＡＶＩシステム、３…単位区
間、４…車両感知器、５．５ａ…予測用混合構造形ニュ
ーラルネットワーク、６…オキュパンシ保存部、７ａ…
入力素子，７ｂ…中間素子、７ｃ…出力素子、８…予測
開始判断部、９，９ａ…学習用混合構造型ニューラルネ
ットワーク、１０…混合構造形ニューラルネットワーク
学習部、１１…所要時間実績値保存部、１２…重み係数
更新部、１３…区間所要時間算出部、１４…区間所要時
間保存部1 ... Measurement target section, 2 ... AVI system, 3 ... Unit section, 4 ... Vehicle detector, 5.5a ... Prediction mixed structure type neural network, 6 ... Occupancy storage section, 7a ...
Input element, 7b ... Intermediate element, 7c ... Output element, 8 ... Prediction start judging section, 9, 9a ... Learning mixed structure type neural network, 10 ... Mixed structure type neural network learning section, 11 ... Required time actual value storage section , 12 ... Weighting factor update unit, 13 ... Section required time calculation unit, 14 ... Section required time storage unit
Claims (5)
対象区間を自動車が走行するに要する所要時間を予測す
る走行所要時間予測装置において、 複数の単位区間に分割された前記測定対象区間の各単位
区間に配設され、各単位区間の単位時間当たりの通過車
両数及び通過車両の速度を順次検出してオキュパンシと
して出力する複数の車両感知器と、 この各車両感知器から順次出力される各オキュパンシが
入力され、前記測定対象区間に対する所要時間予測値を
順次出力する予測用混合構造形ニューラルネットワーク
と、 前記各車両感知器から順次出力される各オキュパンシを
記憶保持するオキュパンシ保存手段と、 このオキュパンシ保存手段にて記憶保持された各オキュ
パンシが入力され、前記測定対象区間に対する各学習用
所要時間予測値を出力する学習用混合構造形ニューラル
ネットワークと、 前記測定対象区間の両端に設けられ、この測定対象区間
を走行する各車両毎の実際の走行所要時間を順次測定す
るＡＶＩシステムと、 このＡＶＩシステムにて順次測定される各所要時間実績
値を記憶保持する所要時間実績値保存手段と、 この所要時間実績値保存手段にて記憶保持された各所要
時間実績値と前記学習用混合構造形ニューラルネットワ
ークから出力された各学習用所要時間予測値とを比較対
照して前記各混合構造形ニューラルネットワークの各重
み係数を修正する重み係数学習手段とを備えた走行所要
時間予測装置。1. A travel required time predicting apparatus for predicting a time required for an automobile to travel a preset measurement target section on an automobile road, wherein each unit section of the measurement target section is divided into a plurality of unit sections. A plurality of vehicle detectors that sequentially detect the number of passing vehicles and the speed of passing vehicles per unit time of each unit section and output as occupancy, and each occupancy that is sequentially output from each vehicle detector. A mixed-structure neural network for prediction that sequentially outputs predicted time required values for the measurement target section, occupancy storage means that stores and holds each occupancy sequentially output from each vehicle detector, and this occupancy storage means Each occupancy stored and stored in A learning mixed-structure neural network that outputs a value, an AVI system that is provided at both ends of the measurement target section, and sequentially measures the actual travel time required for each vehicle traveling in the measurement target section, and the AVI system Required time actual value storage means for storing and holding each required time actual value sequentially measured by, and the required time actual value stored and held by the required time actual value storage means and the learning mixed structure neural network. And a weighting coefficient learning means for correcting and comparing each weighting coefficient of each of the mixed structure type neural networks by comparing and comparing each learning time required prediction value output from
対象区間を自動車が走行するに要する所要時間を予測す
る走行所要時間予測装置において、 複数の単位区間に分割された前記測定対象区間の各単位
区間に配設され、各単位区間の通過車両の速度を検出す
る複数の車両感知器と、 この各車両感知器にて順次検出される各速度から各区間
所要時間を算出して出力する区間所要時間算出手段と、 この区間所要時間算出手段から順次出力される各区間所
要時間が入力され、前記測定対象区間に対する所要時間
予測値を順次出力する予測用混合構造形ニューラルネッ
トワークと、 前記区間所要時間算出手段から順次出力される各区間所
要時間を記憶保持する区間所要時間保存手段と、 この区間所要時間保存手段にて記憶保持された各区間所
要時間が入力され、前記測定対象区間に対する各学習用
所要時間予測値を出力する学習用混合構造形ニューラル
ネットワークと、 前記測定対象区間の両端に設けられ、この測定対象区間
を走行する各車両毎の実際の走行所要時間を順次測定す
るＡＶＩシステムと、 このＡＶＩシステムにて順次測定される各所要時間実績
値を記憶保持する所要時間実績値保存手段と、 この所要時間実績値保存手段にて記憶保持された各所要
時間実績値と前記学習用混合構造形ニューラルネットワ
ークから出力された各学習用所要時間予測値とを比較対
照して前記各混合構造形ニューラルネットワークの各重
み係数を修正する重み係数学習手段とを備えた走行所要
時間予測装置。2. A travel time prediction device for predicting a time required for an automobile to travel a preset measurement target section on an automobile road, wherein each unit section of the measurement target section is divided into a plurality of unit sections. A plurality of vehicle detectors that are arranged in the unit to detect the speed of the passing vehicle in each unit section, and a section required time that calculates and outputs each section required time from each speed sequentially detected by each vehicle detector. Calculation means, a prediction mixed structural neural network for sequentially inputting the required time for each section, which is sequentially output from the required section calculation means, and sequentially outputting a predicted value of the required time for the section to be measured, and the required time calculation for the section Section required time storage means for storing and holding each section required time sequentially output from the means, and each section required time stored and held by the section required time storage means Is input, and a learning mixed structural neural network that outputs each learning required time prediction value for the measurement target section, and the actual for each vehicle that is provided at both ends of the measurement target section and travels in the measurement target section The AVI system for sequentially measuring the required travel time of the vehicle, the required time actual value storage means for storing and retaining the actual required time values successively measured by the AVI system, and the required time actual value storage means for storing and holding Weighted coefficient learning means for correcting each weighting coefficient of each mixed structure type neural network by comparing and comparing each required time actual value with each learning required time predicted value output from the learning mixed structure type neural network And a travel time prediction device including.
対象区間を自動車が走行するに要する所要時間を予測す
る走行所要時間予測装置において、 複数の単位区間に分割された前記測定対象区間の各単位
区間に配設され、各単位区間の単位時間当たりの通過車
両数及び通過車両の速度を順次検出してオキュパンシと
して出力する複数の車両感知器と、 この各車両感知器から出力される各オキュパンシのうち
の各速度から各区間所要時間を算出して出力する区間所
要時間算出手段と、 この区間所要時間算出手段から順次出力される各区間所
要時間及び前記各車両感知器から順次出力される各オキ
ュパンシが入力され、前記測定対象区間に対する所要時
間予測値を順次出力する予測用混合構造形ニューラルネ
ットワークと、 前記各車両感知器から順次出力される各オキュパンシを
記憶保持するオキュパンシ保存手段と、 前記区間所要時間算出手段から順次出力される各区間所
要時間を記憶保持する区間所要時間保存手段と、 この区間所要時間保存手段にて記憶保持された各区間所
要時間及び前記オキュパンシ保存手段にて記憶保持され
た各オキュパンシが入力され、前記測定対象区間に対す
る各学習用所要時間予測値を出力する学習用混合構造形
ニューラルネットワークと、 前記測定対象区間の両端に設けられ、この測定対象区間
を走行する各車両毎の実際の走行所要時間を順次測定す
るＡＶＩシステムと、 このＡＶＩシステムにて順次測定される各所要時間実績
値を記憶保持する所要時間実績値保存手段と、 この所要時間実績値保存手段にて記憶保持された各所要
時間実績値と前記学習用混合構造形ニューラルネットワ
ークから出力された各学習用所要時間予測値とを比較対
照して前記各混合構造形ニューラルネットワークの各重
み係数を修正する重み係数学習手段とを備えた走行所要
時間予測装置。3. A travel required time predicting apparatus for predicting a time required for an automobile to travel a preset measurement target section on an automobile road, wherein each unit section of the measurement target section is divided into a plurality of unit sections. Of a plurality of vehicle detectors that are sequentially arranged to detect the number of passing vehicles and the speed of passing vehicles per unit time in each unit section and output the occupancy as an occupancy; Section required time calculation means for calculating and outputting each section required time from each speed of, and each section required time sequentially output from this section required time calculation means and each occupancy sequentially output from each vehicle detector A mixed structure neural network for prediction, which sequentially outputs predicted values of required time for the section to be measured, and the vehicle detectors. An occupancy storage means for storing and holding each sequentially output occupancy, a section required time storage means for storing and holding each section required time sequentially output from the section required time calculation means, and a storage by this section required time storage means A learning mixed-structure neural network for inputting each held section time and each occupancy stored and held by the occupancy storage unit, and outputting each learning required time prediction value for the measurement target section, and the measurement An AVI system which is provided at both ends of the target section and sequentially measures the actual travel time required for each vehicle traveling in the measurement target section, and stores and retains the required time actual value sequentially measured by this AVI system. The required time actual value storage means and each required time actual value stored and held by this required time actual value storage means Prediction of required travel time provided with weighting factor learning means for correcting and comparing each weighting factor of each of the mixed structure type neural networks by comparing and comparing each estimated value of required time for learning output from the mixed structure type neural network for learning apparatus.
時間実績値と学習用所要時間予測値との間の誤差量が予
め定められた許容値以下に低下すると前記予測用混合構
造形ニューラルネットワークから所要時間予測値を外部
へ出力することを許可する予測開始判断手段を備えたこ
とを特徴とする請求項１乃至請求項３のいずれか１項記
載の走行所要時間予測装置。4. The prediction mixed structural neural network when the error amount between the required time actual value obtained by the weighting coefficient learning means and the learning required time prediction value falls below a predetermined allowable value. 4. The travel time prediction device according to claim 1, further comprising: a prediction start determination unit that permits the predicted time required value to be output to the outside.
クは、複数の入力層と複数の出力層と複数の中間層とを
有し、少なくとも任意の中間層の出力データが自己又は
他の中間層の入力データとして帰還されることを特徴と
する請求項１乃至請求項４のいずれか１項記載の走行所
要時間予測装置。5. Each of the mixed structural neural networks has a plurality of input layers, a plurality of output layers, and a plurality of intermediate layers, and at least output data of any intermediate layer is input to itself or another intermediate layer. The travel time estimation device according to any one of claims 1 to 4, wherein the device is returned as data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06214889A JP3099934B2 (en) | 1994-09-08 | 1994-09-08 | Travel time prediction device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06214889A JP3099934B2 (en) | 1994-09-08 | 1994-09-08 | Travel time prediction device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0877485A true JPH0877485A (en) | 1996-03-22 |
| JP3099934B2 JP3099934B2 (en) | 2000-10-16 |
Family
ID=16663248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP06214889A Expired - Fee Related JP3099934B2 (en) | 1994-09-08 | 1994-09-08 | Travel time prediction device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3099934B2 (en) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000011290A (en) * | 1998-06-22 | 2000-01-14 | Hitachi Ltd | Method and device for estimating travel time and congestion information |
| US8103443B2 (en) | 2003-07-25 | 2012-01-24 | Triangle Software Llc | System and method for delivering departure notifications |
| US8958988B2 (en) | 2002-03-05 | 2015-02-17 | Pelmorex Canada Inc. | Method for choosing a traffic route |
| US8982116B2 (en) | 2009-03-04 | 2015-03-17 | Pelmorex Canada Inc. | Touch screen based interaction with traffic data |
| US9046924B2 (en) | 2009-03-04 | 2015-06-02 | Pelmorex Canada Inc. | Gesture based interaction with traffic data |
| JP2015228081A (en) * | 2014-05-30 | 2015-12-17 | 株式会社京三製作所 | Travel time estimation system and travel time estimation method |
| US9293039B2 (en) | 2012-01-27 | 2016-03-22 | Pelmorex Canada Inc. | Estimating time travel distributions on signalized arterials |
| US9390620B2 (en) | 2011-05-18 | 2016-07-12 | Pelmorex Canada Inc. | System for providing traffic data and driving efficiency data |
| US9448690B2 (en) | 2009-03-04 | 2016-09-20 | Pelmorex Canada Inc. | Controlling a three-dimensional virtual broadcast presentation |
| US10223909B2 (en) | 2012-10-18 | 2019-03-05 | Uber Technologies, Inc. | Estimating time travel distributions on signalized arterials |
| JP2019511020A (en) * | 2017-01-10 | 2019-04-18 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | Method and system for estimating arrival time |
| CN109712398A (en) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | Motorway journeys time Estimate Model Parameter Optimization method |
| JP2019527813A (en) * | 2017-06-22 | 2019-10-03 | バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッドＢａｉｄｕ．ｃｏｍ Ｔｉｍｅｓ Ｔｅｃｈｎｏｌｏｇｙ （Ｂｅｉｊｉｎｇ） Ｃｏ．， Ｌｔｄ． | Evaluation trajectory evaluation framework for traffic prediction of autonomous vehicles |
| JP2021131731A (en) * | 2020-02-19 | 2021-09-09 | ソフトバンク株式会社 | Information processing apparatus, information processing method, information processing program, and vehicle arrival time estimation device |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0581336U (en) * | 1992-04-02 | 1993-11-05 | 富士見グリーンエンジニアリング株式会社 | Drainage foundation |
| US10215579B2 (en) | 2016-12-14 | 2019-02-26 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating driving information |
| CN111311905A (en) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | Particle swarm optimization wavelet neural network-based expressway travel time prediction method |
-
1994
- 1994-09-08 JP JP06214889A patent/JP3099934B2/en not_active Expired - Fee Related
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000011290A (en) * | 1998-06-22 | 2000-01-14 | Hitachi Ltd | Method and device for estimating travel time and congestion information |
| US9368029B2 (en) | 2002-03-05 | 2016-06-14 | Pelmorex Canada Inc. | GPS generated traffic information |
| US9640073B2 (en) | 2002-03-05 | 2017-05-02 | Pelmorex Canada Inc. | Generating visual information associated with traffic |
| US8958988B2 (en) | 2002-03-05 | 2015-02-17 | Pelmorex Canada Inc. | Method for choosing a traffic route |
| US9602977B2 (en) | 2002-03-05 | 2017-03-21 | Pelmorex Canada Inc. | GPS generated traffic information |
| US9489842B2 (en) | 2002-03-05 | 2016-11-08 | Pelmorex Canada Inc. | Method for choosing a traffic route |
| US9070291B2 (en) | 2002-03-05 | 2015-06-30 | Pelmorex Canada Inc. | Method for predicting a travel time for a traffic route |
| US9082303B2 (en) | 2002-03-05 | 2015-07-14 | Pelmorex Canada Inc. | Generating visual information associated with traffic |
| US9401088B2 (en) | 2002-03-05 | 2016-07-26 | Pelmorex Canada Inc. | Method for predicting a travel time for a traffic route |
| US9127959B2 (en) | 2003-07-25 | 2015-09-08 | Pelmorex Canada Inc. | System and method for delivering departure notifications |
| US8103443B2 (en) | 2003-07-25 | 2012-01-24 | Triangle Software Llc | System and method for delivering departure notifications |
| US9644982B2 (en) | 2003-07-25 | 2017-05-09 | Pelmorex Canada Inc. | System and method for delivering departure notifications |
| US9046924B2 (en) | 2009-03-04 | 2015-06-02 | Pelmorex Canada Inc. | Gesture based interaction with traffic data |
| US10289264B2 (en) | 2009-03-04 | 2019-05-14 | Uber Technologies, Inc. | Controlling a three-dimensional virtual broadcast presentation |
| US8982116B2 (en) | 2009-03-04 | 2015-03-17 | Pelmorex Canada Inc. | Touch screen based interaction with traffic data |
| US9448690B2 (en) | 2009-03-04 | 2016-09-20 | Pelmorex Canada Inc. | Controlling a three-dimensional virtual broadcast presentation |
| US9547984B2 (en) | 2011-05-18 | 2017-01-17 | Pelmorex Canada Inc. | System for providing traffic data and driving efficiency data |
| US9390620B2 (en) | 2011-05-18 | 2016-07-12 | Pelmorex Canada Inc. | System for providing traffic data and driving efficiency data |
| US9293039B2 (en) | 2012-01-27 | 2016-03-22 | Pelmorex Canada Inc. | Estimating time travel distributions on signalized arterials |
| US10223909B2 (en) | 2012-10-18 | 2019-03-05 | Uber Technologies, Inc. | Estimating time travel distributions on signalized arterials |
| US10971000B2 (en) | 2012-10-18 | 2021-04-06 | Uber Technologies, Inc. | Estimating time travel distributions on signalized arterials |
| JP2015228081A (en) * | 2014-05-30 | 2015-12-17 | 株式会社京三製作所 | Travel time estimation system and travel time estimation method |
| US10816352B2 (en) | 2017-01-10 | 2020-10-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for estimating time of arrival |
| JP2019511020A (en) * | 2017-01-10 | 2019-04-18 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | Method and system for estimating arrival time |
| JP2019527813A (en) * | 2017-06-22 | 2019-10-03 | バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッドＢａｉｄｕ．ｃｏｍ Ｔｉｍｅｓ Ｔｅｃｈｎｏｌｏｇｙ （Ｂｅｉｊｉｎｇ） Ｃｏ．， Ｌｔｄ． | Evaluation trajectory evaluation framework for traffic prediction of autonomous vehicles |
| WO2020151293A1 (en) * | 2019-01-22 | 2020-07-30 | 江苏智通交通科技有限公司 | Parameter optimization method for expressway travel time estimation model |
| CN109712398A (en) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | Motorway journeys time Estimate Model Parameter Optimization method |
| CN109712398B (en) * | 2019-01-22 | 2021-05-28 | 江苏智通交通科技有限公司 | Expressway travel time estimation model parameter optimization method |
| JP2021131731A (en) * | 2020-02-19 | 2021-09-09 | ソフトバンク株式会社 | Information processing apparatus, information processing method, information processing program, and vehicle arrival time estimation device |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3099934B2 (en) | 2000-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3099934B2 (en) | Travel time prediction device | |
| Basso et al. | Electric vehicle routing problem with machine learning for energy prediction | |
| Burger et al. | Considerations for model-based traffic control | |
| Kurzhanskiy et al. | Active traffic management on road networks: a macroscopic approach | |
| CN111951553B (en) | Prediction method based on traffic big data platform and mesoscopic simulation model | |
| CN113034903B (en) | Traffic state estimation method and device based on multi-source information fusion | |
| JP3520330B2 (en) | Traffic flow prediction control system using traffic flow simulator | |
| CN104781863A (en) | Method for predicting future travel time on link | |
| KR102063404B1 (en) | system for managing traffic based on Platform | |
| Wismans et al. | Real time traffic models, decision support for traffic management | |
| Kang | Estimation and prediction of dynamic origin-destination (OD) demand and system consistency control for real-time dynamic traffic assignment operation | |
| JPH10312497A (en) | Device for predicting traffic condition | |
| JP3160438B2 (en) | Traffic flow prediction device | |
| JP2000285362A (en) | Navigation device | |
| JPH1079096A (en) | Device for providing path selection support information | |
| JP3157953B2 (en) | Traffic flow prediction device | |
| JP3904629B2 (en) | Travel time prediction apparatus and travel time prediction method | |
| CN113053106A (en) | Traffic state estimation method and device based on multi-sensor information fusion | |
| JP3355887B2 (en) | Travel time prediction method and travel time prediction device | |
| JP3753423B2 (en) | Traveling time prediction apparatus and method | |
| JP2000322682A (en) | System, device and method for predicting traffic flow | |
| JP3152858B2 (en) | Traffic flow prediction device | |
| JP2001006090A (en) | Traffic flow managing method | |
| Ding et al. | Prediction of network loads based on origin-destination synthesis from observed link volumes | |
| JPH10181603A (en) | Support information preparing device for selecting train to board |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |